Inteligencia artificial
| Inteligencia artificial (IA) | |
|---|---|
 JPxG · Public domain | |
| Campo | Ciencias de la computación, matemáticas, estadística, lingüística computacional y filosofía de la mente |
| Fundación formal de la disciplina | Verano de 1956, taller del Dartmouth College (Hanover, Nuevo Hampshire, Estados Unidos) |
| Término acuñado por | John McCarthy, en la propuesta del taller redactada en 1955 |
| Precursor teórico principal | Alan Turing, con "Computing Machinery and Intelligence" (1950) |
| Otros promotores del taller de Dartmouth | Marvin Minsky, Nathaniel Rochester y Claude Shannon |
| Subcampos principales | Aprendizaje automático, aprendizaje profundo, procesamiento de lenguaje natural, visión artificial, robótica, sistemas expertos e IA simbólica |
| Hitos históricos clave | Prueba de Turing (1950) · Taller de Dartmouth (1956) · Deep Blue vence a Kaspárov (1997) · Watson gana Jeopardy! (2011) · AlexNet (2012) · Arquitectura Transformer (2017) · Lanzamiento de ChatGPT (2022) |
| Órgano científico de referencia de la ONU | Panel Científico Internacional Independiente sobre la Inteligencia Artificial, creado por la Asamblea General en 2025 e integrado por 40 expertos |
| Principal norma vinculante | Reglamento de Inteligencia Artificial de la Unión Europea (Reglamento (UE) 2024/1689), en vigor desde agosto de 2024 y de aplicación escalonada |
1. Resumen[editar]
La inteligencia artificial (IA) es el campo de las ciencias de la computación dedicado al diseño de sistemas capaces de realizar tareas que, en principio, requieren procesos cognitivos asociados a la inteligencia humana: razonar, aprender, percibir, planificar y usar el lenguaje.
Aunque la especulación filosófica sobre máquinas pensantes es milenaria, la disciplina como campo académico formal nació en el verano de 1956, en un taller celebrado en el Dartmouth College, para cuya propuesta —redactada el año anterior— el matemático John McCarthy acuñó el término artificial intelligence. Desde entonces el campo ha atravesado ciclos alternos de entusiasmo y desilusión, conocidos como "inviernos de la IA", hasta la aceleración sostenida que arrancó hacia 2012 con el auge del aprendizaje profundo, se intensificó a partir de 2017 con la arquitectura Transformer y se hizo masiva desde finales de 2022, cuando los modelos de lenguaje llegaron al gran público en forma de asistentes conversacionales.
En 2026, la IA concentra inversiones sin precedentes, ocupa un lugar central en la agenda regulatoria internacional y forma parte de la vida cotidiana en el mundo hispanohablante, desde el traductor del teléfono hasta los sistemas de atención al cliente y los modelos de lenguaje entrenados específicamente en español.
2. Historia[editar]
2.1 Precursores filosóficos y mecánicos[editar]
La idea de mecanizar el pensamiento es muy anterior a la computación. Filósofos griegos, chinos e indios desarrollaron sistemas de razonamiento formal en el primer milenio antes de nuestra era, y pensadores como Aristóteles, Euclides, Al-Juarismi, Ramon Llull, Duns Escoto, Leibniz y René Descartes contribuyeron a la formalización de la lógica y a la idea de que el razonamiento podía reducirse a cálculo.
En el plano mecánico se conservan noticias de autómatas desde la Antigüedad: la más citada es la paloma mecánica de Arquitas de Tarento, matemático pitagórico y amigo de Platón, fechada hacia el siglo IV a. C. y conocida solo por testimonios posteriores. Mucho después, hacia 1495, Leonardo da Vinci diseñó un autómata con forma de caballero articulado. En el siglo XVIII, el reverendo Thomas Bayes sentó las bases de la inferencia probabilística, y en el XIX George Boole demostró que el razonamiento lógico podía tratarse de forma algebraica. Lógica, probabilidad y estadística confluirían más tarde en el instrumental matemático de la IA moderna.
2.2 Fundamentos teóricos (1943-1956)[editar]
El punto de partida técnico suele situarse en 1943, cuando Warren McCulloch y Walter Pitts publicaron "A Logical Calculus of the Ideas Immanent in Nervous Activity", donde propusieron que la actividad neuronal podía modelarse como un sistema de cómputo lógico. Es el antecedente conceptual directo de las redes neuronales artificiales.
En 1950, Alan Turing publicó "Computing Machinery and Intelligence", donde planteó la pregunta "¿pueden pensar las máquinas?" y, ante la dificultad de definir "pensar", la sustituyó por un procedimiento experimental —el juego de imitación, conocido después como prueba de Turing— destinado a evaluar si el comportamiento de una máquina resulta indistinguible del de una persona para un observador que se comunica con ambos por escrito.
En 1956 se celebró en Dartmouth un taller de verano promovido por John McCarthy junto con Marvin Minsky, Nathaniel Rochester y Claude Shannon, en el que se propuso estudiar la conjetura de que todo aspecto del aprendizaje o de la inteligencia puede describirse con precisión suficiente como para que una máquina lo simule. El encuentro se considera el acto fundacional de la disciplina.
2.3 Primer entusiasmo y el primer invierno (1956-1980)[editar]
Entre finales de los años cincuenta y la década de 1960, investigadores como Arthur Samuel, Oliver Selfridge, Ray Solomonoff, Allen Newell y Herbert Simon impulsaron programas capaces de jugar a las damas, demostrar teoremas geométricos y procesar lenguaje de forma limitada. El optimismo inicial —con predicciones de que la inteligencia de nivel humano se alcanzaría en pocas décadas— chocó con obstáculos serios: falta de potencia de cómputo, dificultad para codificar el "sentido común" y explosión combinatoria en problemas de tamaño realista.
A mediados de los años setenta, informes críticos y recortes drásticos de financiación pública en el Reino Unido y en Estados Unidos dieron paso al primer "invierno de la IA", un periodo de escepticismo y desinversión que se prolongó hasta comienzos de los ochenta.
2.4 Sistemas expertos y segundo invierno (1980-1993)[editar]
En la década de 1980 resurgió el interés gracias a los sistemas expertos, programas que codificaban el conocimiento de especialistas humanos en dominios acotados —diagnóstico médico, análisis químico, configuración de equipos, evaluación de riesgos financieros—. Empresas y gobiernos invirtieron con fuerza, de forma destacada en el proyecto japonés de Quinta Generación.
Sin embargo, los sistemas expertos resultaron caros de mantener, quebradizos fuera de su dominio estrecho y difíciles de escalar: cada nueva regla podía entrar en conflicto con las anteriores. El desencanto llevó a un segundo periodo de recortes hacia finales de la década, que se extendió hasta comienzos de los noventa.
2.5 Auge estadístico y IA basada en datos (1993-2011)[editar]
Durante los años noventa, buena parte de la comunidad adoptó un enfoque más pragmático y matemáticamente riguroso, integrando estadística, teoría de la probabilidad e investigación operativa, y concentrándose en problemas concretos con soluciones verificables. Es el giro hacia la llamada "IA estrecha" (narrow AI).
El hito más recordado de la etapa fue el duelo entre el sistema de ajedrez Deep Blue, de IBM, y el campeón mundial Gari Kaspárov. En 1996, Deep Blue ganó la primera partida del encuentro —la primera victoria de una máquina sobre un campeón del mundo en condiciones de torneo— pero perdió el enfrentamiento por 4 a 2. En la revancha de 1997, la máquina se impuso por 3½ a 2½, con una sexta y decisiva partida resuelta en apenas 19 movimientos. Deep Blue no aprendía como los modelos actuales: evaluaba por fuerza bruta hasta 200 millones de posiciones por segundo, guiada por una función de evaluación afinada por ajedrecistas humanos.
En 2011, el sistema Watson de IBM venció a los campeones humanos del concurso televisivo Jeopardy!, en una demostración de procesamiento de lenguaje natural y recuperación de información sobre preguntas formuladas con juegos de palabras y ambigüedades deliberadas.
2.6 La revolución del aprendizaje profundo (2012-2017)[editar]
El resurgimiento contemporáneo se fecha habitualmente en 2012, cuando la red neuronal convolucional AlexNet —desarrollada por Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton— ganó la competencia de reconocimiento de imágenes ImageNet con un margen de error muy inferior al de los métodos anteriores. La clave fue la combinación de tres elementos que llevaban tiempo madurando por separado: grandes conjuntos de datos etiquetados, redes neuronales profundas y el uso de unidades de procesamiento gráfico (GPU) para entrenarlas.
Ese resultado consolidó el aprendizaje profundo como paradigma dominante, con aplicaciones que se extendieron rápidamente al reconocimiento de voz, la traducción automática y la visión artificial.
2.7 La era de la IA generativa (2017-presente)[editar]
En 2017, investigadores de Google publicaron el artículo "Attention Is All You Need", que introdujo la arquitectura Transformer, basada en el mecanismo de atención y capaz de entrenarse en paralelo con mucha más eficiencia que las arquitecturas recurrentes anteriores. Es la base técnica de los modelos de lenguaje de gran escala (LLM) que dominarían la década siguiente.
El 30 de noviembre de 2022, el lanzamiento público de ChatGPT —un asistente conversacional construido sobre la familia de modelos GPT de OpenAI— convirtió una tecnología hasta entonces confinada a los laboratorios en un producto de consumo masivo, y dio comienzo al llamado "boom de la IA generativa": sistemas capaces de producir texto, imágenes, audio, vídeo y código a partir de instrucciones en lenguaje natural.
La etapa se caracteriza por tres rasgos. Primero, una competencia intensa entre laboratorios estadounidenses —OpenAI, Google DeepMind, Anthropic, Meta y xAI, entre otros— y chinos, donde DeepSeek, Alibaba con su familia Qwen y Moonshot AI han impulsado además la publicación de modelos de pesos abiertos. Segundo, inversiones en infraestructura sin precedentes: centros de datos, chips especializados y capacidad eléctrica se han convertido en el cuello de botella real del sector. Y tercero, un ritmo de renovación extremadamente rápido: las versiones punteras de cada laboratorio se sustituyen cada pocos meses, de modo que cualquier lista concreta de modelos queda desactualizada casi de inmediato.
3. Fundamentos y enfoques técnicos[editar]
El campo agrupa enfoques metodológicos diversos, no siempre complementarios:
- IA simbólica: representa el conocimiento mediante reglas lógicas y estructuras simbólicas explícitas. Dominó las primeras décadas del campo, con los sistemas expertos y los motores de inferencia como productos característicos. Su ventaja es que sus decisiones son inspeccionables; su límite, la dificultad de capturar conocimiento tácito.
- Aprendizaje automático (machine learning): sistemas que infieren patrones estadísticos a partir de datos sin haber sido programados explícitamente para cada tarea. Incluye el aprendizaje supervisado, el no supervisado y el aprendizaje por refuerzo.
- Aprendizaje profundo (deep learning): subcampo del anterior basado en redes neuronales artificiales de múltiples capas, inspiradas de forma muy abstracta en la organización del cerebro biológico. Es el paradigma dominante desde 2012.
- Modelos generativos: entre ellos los Transformers para lenguaje y los modelos de difusión para imagen y vídeo, entrenados para producir contenido nuevo en lugar de únicamente clasificar el existente.
- Redes bayesianas y modelos probabilísticos: formalismos para razonar bajo incertidumbre y combinar evidencia parcial.
- Algoritmos evolutivos: técnicas de optimización inspiradas en la selección natural.
- IA neurosimbólica: intentos de combinar el razonamiento simbólico explícito con el aprendizaje estadístico de las redes neuronales, con el objetivo de obtener sistemas a la vez capaces y verificables.
Estas técnicas se combinan en aplicaciones concretas de procesamiento de lenguaje natural, visión artificial, robótica, planificación y sistemas de recomendación.
4. Aplicaciones[editar]
- Lenguaje y comunicación: traducción automática, asistentes conversacionales, resumen y redacción automática, transcripción de voz, búsqueda semántica.
- Imagen, audio y vídeo: generación y edición de imágenes, restauración de material de archivo, síntesis de voz, doblaje automático y composición musical.
- Salud: apoyo al diagnóstico por imagen —una de las aplicaciones con validación clínica más avanzada—, descubrimiento de fármacos, predicción de estructuras de proteínas y análisis genómico.
- Ciencia: análisis de grandes volúmenes de datos experimentales en astronomía, física de partículas, climatología y biología estructural.
- Finanzas: detección de fraude, evaluación de riesgo crediticio y negociación algorítmica.
- Industria y robótica: automatización de manufactura, mantenimiento predictivo, control de calidad por visión artificial y la llamada "IA encarnada" en robots físicos.
- Administración pública: gestión documental, atención ciudadana y análisis de políticas públicas, con un debate abierto sobre transparencia y derecho de recurso frente a decisiones automatizadas.
- Desarrollo de software: herramientas de generación, revisión y depuración automática de código, hoy entre los usos profesionales de mayor penetración. Las cifras sobre qué proporción del código de una empresa escriben estos sistemas varían enormemente según la fuente y la definición empleada, y conviene tomarlas con cautela.
- Ciberseguridad: tanto para la defensa de sistemas —detección de anomalías, respuesta automatizada— como, de forma creciente, para el ataque, con campañas de suplantación y descubrimiento de vulnerabilidades asistidos por modelos.
5. Ética, riesgos y gobernanza[editar]
- Sesgos y discriminación algorítmica: los sistemas entrenados sobre datos históricos pueden reproducir y amplificar desigualdades preexistentes, con consecuencias documentadas en selección de personal, concesión de crédito, actuación policial predictiva y reconocimiento facial.
- Opacidad: los modelos de gran escala funcionan en buena medida como cajas negras, lo que dificulta auditar por qué produjeron una salida concreta. La investigación en interpretabilidad busca precisamente eso.
- Desinformación y contenido sintético: la generación realista de texto, imagen, audio y vídeo —los llamados deepfakes— plantea riesgos para la integridad informativa, los procesos electorales y la reputación individual.
- Privacidad y datos de entrenamiento: origen, licencias y consentimiento del material empleado para entrenar los modelos, con litigios abiertos en varios países sobre derechos de autor.
- Impacto laboral: los análisis disponibles describen un fenómeno dual, con creación de perfiles especializados y presión simultánea sobre tareas rutinarias y de nivel inicial en atención al cliente, traducción, diseño y programación. La magnitud neta del efecto sigue siendo objeto de estimaciones muy dispares.
- Concentración de poder e infraestructura: el coste del cómputo y el acceso a los datos han concentrado la capacidad de entrenar modelos de frontera en un puñado de actores. Operaciones como la compra de la empresa de seguridad en la nube Wiz por parte de Google por unos 32 000 millones de dólares (2025) o la entrada de Meta en el capital de Scale AI (2025), proveedora de etiquetado de datos, ilustran la carrera por asegurar piezas críticas de la cadena.
- Seguridad y alineación: a medida que los sistemas ganan autonomía en tareas de ingeniería de software y de uso de herramientas, crece la atención sobre cómo garantizar que su comportamiento se corresponda con lo que sus operadores pretenden. Es un campo de investigación activo en los principales laboratorios y en la academia.
5.1 Gobernanza internacional[editar]
En 2025, la Asamblea General de las Naciones Unidas creó, en el marco del Pacto Digital Mundial, el Panel Científico Internacional Independiente sobre la Inteligencia Artificial, integrado por 40 expertos de todas las regiones que actúan a título personal. Su función es científica y no regulatoria: evaluar periódicamente la evidencia disponible sobre oportunidades, riesgos e impactos de la IA y producir informes independientes que los gobiernos puedan utilizar.
Su trabajo alimenta el Diálogo Mundial sobre la Gobernanza de la Inteligencia Artificial, cuya primera edición se celebró en Ginebra los días 6 y 7 de julio de 2026. Allí el Panel presentó su Informe Preliminar, la primera evaluación científica independiente de alcance global sobre la materia, que aborda tanto lo que la IA puede aportar a la salud, la ciencia y la lucha contra el hambre como los riesgos para los derechos humanos, la democracia y el empleo, y que argumenta la necesidad de una gobernanza capaz de seguir el ritmo de la innovación.
En el plano vinculante, la referencia principal es el Reglamento de Inteligencia Artificial de la Unión Europea (Reglamento (UE) 2024/1689), en vigor desde agosto de 2024 y con aplicación escalonada a lo largo de los años siguientes. Es la primera norma general sobre IA de un gran bloque económico y organiza las obligaciones por niveles de riesgo: prácticas prohibidas, sistemas de alto riesgo sujetos a requisitos estrictos, obligaciones de transparencia para determinados usos y un régimen específico para los modelos de propósito general. Afecta directamente a España y, por el llamado "efecto Bruselas", condiciona también las prácticas de proveedores que operan en América Latina.
6. Estado actual y contexto de 2026[editar]
Hacia 2026 el sector atraviesa lo que distintos analistas describen como una fase de ejecución y consolidación más que de experimentación. Entre los movimientos corporativos de mayor calado destacan:
- La fusión de SpaceX y xAI. El 2 de febrero de 2026, SpaceX absorbió la empresa de inteligencia artificial de Elon Musk en una operación íntegramente en acciones que valoró la entidad combinada en 1,25 billones de dólares —un billón atribuido a SpaceX y 250 000 millones a xAI—, descrita por la prensa económica como la mayor fusión entre empresas privadas realizada hasta la fecha. La compañía resultante salió a bolsa en junio de 2026.
- El proceso de salida a bolsa de OpenAI. El 8 de junio de 2026, la empresa presentó de forma confidencial ante la Comisión de Bolsa y Valores estadounidense la documentación previa a una oferta pública inicial, sin fijar fecha de debut. Su última valoración conocida en una ronda privada, cerrada en marzo de 2026, fue de unos 852 000 millones de dólares.
- Reasignación de recursos en las tecnológicas tradicionales. Varias grandes compañías han acompañado sus inversiones récord en centros de datos e infraestructura de IA con reducciones de plantilla en divisiones no prioritarias, un patrón repetido a lo largo de 2025 y 2026.
Un apunte necesario sobre este apartado: el sector cambia con una rapidez que ninguna enciclopedia puede seguir en tiempo real. Los nombres y versiones concretas de los modelos punteros se renuevan cada pocos meses y las valoraciones se mueven en la misma escala temporal, de modo que este artículo se limita deliberadamente a los hechos corporativos e institucionales verificables con fecha, y evita listar versiones de modelos que quedarían obsoletas antes de que el lector llegue a ellas.
7. Presencia e impacto en el mundo hispanohablante[editar]
- Políticas públicas. Varios países de la región cuentan con estrategias nacionales.
Colombia fue pionera con el documento CONPES 3975 de 2019, "Política Nacional para la Transformación Digital e Inteligencia Artificial". Uruguay ha desarrollado su marco a través de la Agencia de Gobierno Electrónico (AGESIC), y 
México, Chile, 
Argentina, Perú y Brasil disponen de estrategias o planes nacionales con grados de implantación desiguales. España cuenta con una Estrategia Nacional de Inteligencia Artificial y ha creado la Agencia Española de Supervisión de la Inteligencia Artificial (AESIA), uno de los primeros organismos supervisores específicos de Europa. - Modelos de lenguaje en español. El proyecto más ambicioso del ámbito hispanohablante es ALIA, una infraestructura pública de modelos abiertos de lenguaje para el español y las lenguas cooficiales —catalán, valenciano, euskera y gallego—, coordinada por el Barcelona Supercomputing Center (BSC-CNS) bajo la dirección de la Secretaría de Estado de Digitalización e Inteligencia Artificial y entrenada en el supercomputador MareNostrum 5. ALIA se apoya en una línea de trabajo iniciada con el Plan de Tecnologías del Lenguaje de 2019, que produjo los modelos MarIA —los primeros modelos masivos entrenados específicamente en español— y los proyectos AINA, para el catalán, e ILENIA, para el conjunto de lenguas cooficiales. Es una iniciativa de financiación íntegramente pública, poco habitual en un panorama dominado por laboratorios privados.
- Ecosistema regional. Ciudad de México, Bogotá, Buenos Aires, Santiago de Chile, Madrid, Barcelona y São Paulo —esta última fuera del ámbito hispanohablante pero estrechamente conectada con él— concentran un número creciente de empresas emergentes de IA aplicada a sectores como las finanzas digitales, la agrotecnología, la logística y el comercio electrónico.
- Educación e investigación. Universidades como la Universidad Nacional Autónoma de México, la Pontificia Universidad Católica de Chile, la Universidad de Buenos Aires, la Universidad de los Andes y, en España, la Universidad Politécnica de Madrid y la Universitat Politècnica de Catalunya han incorporado programas de posgrado e institutos dedicados a la inteligencia artificial y la ciencia de datos.
- Idioma y sesgos. El español es la segunda lengua del mundo por número de hablantes nativos, pero está muy infrarrepresentado en los corpus de entrenamiento frente al inglés. La consecuencia práctica, señalada de forma recurrente en foros académicos y en la propia motivación declarada de proyectos como ALIA, es un desempeño desigual y una tendencia a reproducir referentes culturales anglosajones. El problema se agrava con las variantes regionales: un modelo que funciona razonablemente en español peninsular o mexicano puede fallar con el voseo rioplatense, el léxico caribeño o el andino, y muy especialmente con las lenguas indígenas de América Latina, cuyos corpus digitales son escasos o inexistentes.
8. Cultura popular y percepción pública[editar]
La inteligencia artificial lleva décadas siendo un tema recurrente de la ficción. Suele citarse como antecedente simbólico el Frankenstein de Mary Shelley —aunque su criatura no sea una máquina—, y como precursores directos los relatos de robots de Isaac Asimov, cuyas tres leyes de la robótica son probablemente el marco ético ficticio más citado de la historia y que ha sido ampliamente traducido y leído en español. El cine ha aportado el imaginario visual dominante, de Metrópolis a 2001: una odisea del espacio, Blade Runner, Terminator y Her, todas ellas de circulación masiva en el mundo hispanohablante.
En 2026, la percepción pública es marcadamente ambivalente. Conviven expectativas altas sobre los beneficios en medicina, educación y productividad con inquietudes muy concretas: la pérdida de empleos, la privacidad, la fiabilidad de la información y, con creciente peso en la agenda mediática, el uso de asistentes conversacionales por parte de adolescentes y sus posibles efectos sobre el bienestar de ese grupo de edad, cuestión que ha motivado iniciativas regulatorias en varios países.
En el ámbito creativo, la controversia ha sido especialmente visible. Sectores del cine, la ilustración, el doblaje y la música en español han organizado campañas contra el uso de IA generativa entrenada con obras protegidas sin autorización, y figuras públicas del cine en español —entre ellas el director mexicano Guillermo del Toro— se han pronunciado con firmeza en defensa del trabajo humano frente a la automatización de la creación. El doblaje al español latinoamericano, industria con centro en Ciudad de México y decenas de miles de profesionales en la región, ha sido uno de los sectores más movilizados, ante la posibilidad de que la síntesis de voz sustituya trabajo hoy realizado por actores.